心理ネットワークとは？
項目（心理変数）間のネットワーク構造を検討する方法.med[(Epskamp, Borsboom & Fried, 2018)]
ネットワークは，観察可能な変数を表すノード（円）と統計的関係を表すエッジ（線）から構成される
![]()
心理ネットワーク分析の手順
統計的手法によってノード間のエッジを推定する
推定されたエッジをもとにネットワークを図示する
ネットワーク特性の指標を検討する
ネットワークの正確度・安定性を検討する
- エッジはデータから推定される（重み付きネットワーク）
→(1)サンプルサイズに影響されるので正確度・安定性を検討
→(2)グローバルなネットワーク特性(small worldnessなど)は使えないので，ローカルなネットワーク特性(中心性指標)を用いる
有向・無向ネットワーク
![]()
エッジの見方
エッジの色 符号を意味しており，青・緑の場合は正，赤の場合は負を表す
エッジの太さ 全体のノードからの影響を考慮した時の２つのノード間の関係の強さ
エッジの長さ エッジの強さの逆数。関係が強ければ強いほど短くなる
![]()
ペアワイズマルコフ確率場
無向ネットワークモデルの推定では，ペアワイズ・マルコフ確率場(pairwise Markov random field)がよく使われる(Epskamp, Haslbeck, Isvoranu,& Van Borkulo, 2022)
心理ネットワーク分析の主なペアワイズ・マルコフ確率場のモデルには以下の３つがある
Gaussian graphical model (GGM): 連続変数のデータ(エッジの値は-1から1の範囲)
Ising model: 2値変数のデータ(エッジの値は-∞から∞の範囲)
mixed graphical models (MGMs): 2値・順序・連続変数の混ざったデータ(エッジの値は-1から1の範囲)
Gaussian graphical model(GGM)
- GGMでは，多変量正規分布を用いて，連続変数間のネットワークを推定する
- \(\boldsymbol{Y}\) (ランダムに選んだ参加者からのn個の反応のベクトル)は，平均 \(\boldsymbol{\mu}\) と分散共分散行列 \(\boldsymbol{\Sigma}\) の多変量正規分布に従う
\[
\boldsymbol{Y} \sim N\left(\boldsymbol{\mu}, \boldsymbol{\Sigma}\right)
\]
- GGMでは，分散共分散行列 \(\boldsymbol{\Sigma}\)からその逆行列である精度行列 \(\boldsymbol{K}\) を計算し( \(\boldsymbol{K}=\boldsymbol{\Sigma}^{-1}\))，精度行列 \(\boldsymbol{K}\) から偏相関行列を計算する
- 偏相関係数をエッジにしてネットワークをプロットする
Ising モデル
\[\operatorname{Pr}(\boldsymbol{Y}=\boldsymbol{y})=\frac{1}{Z} \exp \left(\sum_{i} y_{i} \tau_{i}+\sum_{<i, j>} y_{i} y_{j} \omega_{i j}\right)%\]
- \(\tau_{i}\) は閾値.med[(どっちの反応が出やすいか）]， \(\omega_{i j}\) はノード間の反応の類似度を表す。Zは確率の合計が１になるように機能する
- Zの計算は， \(\boldsymbol{Y}\) の全ての可能性について考慮するので20変数以上の多変量推定は難しい(その場合は，単変量推定する)
Mixed graphical models(MGMs)
- 2値・順序・連続変数が混ざったデータに適用できる(Epskamp et al., 2022)
- データのタイプに合わせてノードごとに確率分布が適用(指数分布族: 正規分布，ポワソン分布，指数分布，多項分布）
- ノードごとに一般化線形モデルによって推定し，推定されたパラメータが最終モデルで統合される
- MGMsは，ペアワイズである必要もなくて，高次の交互作用を含めたmoderated network modelも検討できる
モデル選択
- ネットワークは，エッジが１つもないものから全てのノード間にエッジがある飽和モデルの間に，可能性のあるネットワークが大量にある(Blanken, Isvoranu & Epskamp, 2022)
- オッカムの剃刀に従い，パフォーマンスを下げないようにして，シンプルなモデルを選ぶ
- 心理ネットワーク分析のモデル選択には以下の４つがある
しきい値(Thresholding)
刈り込み(Pruning)
モデル探索(model search)
正則化(regularization)
しきい値(Thresholding)
- しきい値では，ある基準（p値, false discovery rate, credibility interval, Bayes factor）に基づいて，エッジを除去する（エッジを0に設定）
- 基準以下のエッジを見せてないだけで影響は残る
刈り込み(Pruning)
刈り込みでは，ある基準（p値, false discovery rate, credibility interval, Bayes factor）に基づいて，除去した上で（エッジを0に設定），再推定する
再推定するので，基準以下のエッジを0としたときのネットワークが推定される
モデル探索(model search)
- 可能なネットワークを反復的に探索して最もデータフィットしたモデルを選ぶ（AIC, BIC, EBICなどの情報量規準を用いる)
正則化(regularization)
GGMでのモデル選択の推奨(Isvoranu & Epskamp, 2021)
(1)サンプルサイズが300の場合，ネットワーク構造の発見には，正則化が好ましい
(2)サンプルサイズが1000の場合，ネットワーク構造や強いエッジに興味があるなら正則化，特定のエッジに関心があるならモデル探索が好ましい
(3)サンプルサイズが5000の場合，真のネットワークの探索には，モデル探索が好ましい
IsingモデルとMGMsでのモデル選択の推奨(Blanken et al, 2022)
Isingモデルの場合，小中サンプルサイズでは正則化手法が見やすく，大サンプルサイズでは非正則化手法も使える。現状，MGMsで使えるのは正則化手法のみ
** 順序・非正規変数での注意点.med[(Blanken, Isvoranu & Epskamp, 2022)]**
- 順序変数ではポリコリック相関を使うが，小サンプルサイズでは不安定になる.med[（psychonetricsパッケージの推定法やBGGMパッケージを使う）]
- 正規分布していないデータの場合は，スピアマンの順位相関係数を用いてGGMする
サンプルサイズ
- ノードは３０より少ないのが望ましく，できるだけサンプルサイズが大きいほうが望ましい.med[(Isvoranu & Epskamp, 2021)]
- ネットワークの構造を調べるより，特定のエッジに焦点をしぼった方が大きなサンプルサイズが必要
欠測処理
- bootnetでは欠測値除去が必要だが，psychonetricsでは完全情報最尤推定法が使える(estimator = “FIML”)
エッジの解釈法
(1)予測可能性の示唆: 他の変数の影響を考慮しても，ある変数から別の変数が予測できる可能性がある
(2)因果関係の可能性の示唆: 因果の方向性は不明だが，そのエッジにはなんらかの因果的な効果がある可能性はある.med[(逆にいうと，強い理論的予測による仮説検証の結果のような解釈はしない)]
ノードの中心性指標
心理ネットワーク分析で使えるネットワークの指標として，以下の中心性指標がある
Strength:あるノードがつながっている全てのエッジの強さの合計。あるノードの全体に対する影響力を示している
Closeness: あるノードと他の全てのノード間の最短経路長の合計の逆数。あるノードがどのくらい間接的な影響を含めて他のノードとつながっているのかを示している
Betweeness: 2つのノード間の最短経路上に，あるノードが何回あるのかを示している。あるノードが2つのノードの経路上でどのくらい重要かを示している
エッジの正確度と中心性指標の安定性
- 推定されたエッジはサンプルやサンプルサイズの影響をうけるので，正確度(accuracy)や安定性(Stability)を検討する.med[(Epskamp, Borsboom,& Fried, 2018)]
ブートストラップ法による信頼区間をプロットすることでエッジの重みの正確度を検討する .med[(有意性の検討には使わない)]
データのサブセットを用いた場合の中心性指標の安定性を検討する .med[(サンプルサイズを小さくしても安定するか検討，CS係数が0.25未満は不適切であり0.5を超えている必要がある)]
エッジの重みと中心性指標間でブートストラップ差異検定を行って，それらが有意に異なるのかを検討する
※1は必須，2は中心性指標を使う場合，3は目的に合わせて
Rパッケージ
アムステルダム大学の研究者達が開発した以下のRパッケージで，横断データの心理ネットワーク分析は実施できる
qgraph:ネットワーク推定(GGM)とプロット
bootnet: ネットワーク推定(GGM & Isingモデル)，ネットワークの正確度と安定性の検討
psychonetrics：より洗練化した書き方でネットワーク推定(GGM & Isingモデル)
mgm:ネットワーク推定(MGMs)
アムステルダム大学の統計ソフトJASPには，心理ネットワーク分析が入っており，ちょっと試すのに便利
心理ネットワーク分析を試してみよう！
Jordan et al.(2017)が，3404名からGAD-7(不安)，PHQ-9(うつ),PHQ-15(身体症状)を収集したデータで試す
使用するRパッケージの読み込み
データの読み込み
Jordan et al.(2017)のデータをダウンロードして，読み込む
download.file("https://doi.org/10.1371/journal.pone.0182162.s004","pone.0182162.s004.sav")
data <- read.spss("pone.0182162.s004.sav", to.data.frame=TRUE)
GAD-7（不安に関する７項目）のデータを使う。renameで変数名を整理する
モデル選択： しきい値
bootnetのestimateNetwork()関数で，thresholdとalphaを指定する
GAD-7は4件法で順序変数なので，「corMethod = “cor_auto”」と指定して，自動的にポリコリック相関で推定
results_gad <- estimateNetwork(data_gad,default = "pcor", threshold = "sig", alpha = 0.05, corMethod = "cor_auto")
plot(results_gad, theme = "colorblind", cut = 0,layout = "spring",labels = TRUE)
![]()
モデル選択： 刈り込み
psychonetricsパッケージのprune()関数を用いる。psychonetricsはパイプ演算子を使って可読性の高いコードが書きやすい
ggm(data_gad) %>%
runmodel %>%
prune(alpha = 0.05) %>%
getmatrix("omega") %>%
qgraph(theme = "colorblind", cut = 0,layout = "spring",labels = TRUE)
![]()
モデル選択：モデル探索
モデル探索はmodelsearch()で行う
ggm(data_gad) %>% runmodel %>%
modelsearch(criterion = "bic") %>%
getmatrix("omega") %>% qgraph(theme = "colorblind", cut = 0,layout = "spring",labels = TRUE)
![]()
モデル選択：正則化
bootnetのestimateNetwork()関数を使って，EBICでパラメータ調整をするGLASSOを使う(「default=“EBICglasso”」を指定する）
results_gad <- estimateNetwork(data_gad,default = "EBICglasso", corMethod = "cor_auto")
plot(results_gad, theme = "colorblind", cut = 0,layout = "spring",labels = TRUE)
![]()
エッジの重みの正確度
bootnetのbootnet()関数を使う。summaryでも推定結果を確認できるが，プロットのほうが確認がしやすい
![]()
中心性の指標のプロット
qgraphパッケージのcontralityPlot関数でプロットできる。デフォルトではStrengthのみが出力されるので，includeで”Strength”, “Betweenness”, “Closeness”の３つを指定する
centralityPlot(results_gad, include = c("Strength", "Betweenness", "Closeness"))
![]()
中心性指標の安定性(Stability)
bootnet()関数を使う。「type = “case”」を指定するとケースドロップ時の安定性を推定できる。statisticsで”strength”, “closeness”, “betweenness”を指定する
![]()
CS係数を確認する。StrengthとClosenessはCS係数が0.5を超えているが，Betweenessは低いので，解釈を控える必要がある
![]()
有意差検定
bootnetのdifferenceTest()関数を使う
Strengthがgad7bとgad7fで差があるかを検討すると，95%CIが0をまたいでおらず，gad7bはgad7fよりも有意にstrengthが大きい
![]()
エッジ間の差の検定結果をプロットする(エッジ間で有意な差がある場合は黒く塗りつぶされ，有意ではない場合は灰色に塗りつぶされる)
![]()
Strengthにおけるノード間の差の検定結果をプロットする(ノード間で有意な差がある場合は黒色，有意ではない場合は灰色に塗りつぶす)
![]()
まとめ
- 心理ネットワーク解析は新しい方法だが，偏相関をエッジとしたネットワークを描く方法と考えると難しくない
- 便利なRパッケージも増えており実施は簡単だが，モデル選択・エッジ・中心性指標の評価などは理論的な理解も必要
- 日々新しい方法の開発と解析法の推奨の変化があるので，アムステルダム大学のPsych Systemsのサイトを確認したり，最新の動向をおさえる
ワーク
関心のあるテーマに近いオープンデータを探して，心理ネットワーク分析を実施してみよう！
再現性の危機
心理学研究100本のうち再現されたのは39本(Open Science Collaboration, 2016, Science)
引用数が多く効果があるとされた臨床医学研究45本のうち再現されたのは20本(Ioannidis, 2005, JAMA)
1576名の調査から，70%が他の研究者の研究を再現できず，50%が自分の研究の再現もできなかった(Baker, 2016, Nature)
→研究知見を信じていいの？
『心理学の7つの大罪』
Chris Chambers著
大塚紳一郎訳
みすず書房
2019年
３つの再現性(Goodman et al., 2016)
1.方法の再現可能性: 論文と同じデータに同じ方法を用いて，同じ結果が得られること
2.結果の再現可能性: 新規のデータに同じ方法を用いて，同じ結果が得られること
3.推論の再現可能性: 結果から質的に同じ結論が得られること
方法の再現可能性を低める現状の課題
- 「同じデータ + 同じ方法 = 同じ結果」って，当たり前じゃないの？
→同じデータが難しい・・・
2000-2014年の生物医学論文のうち生データが直接利用可能なのは441本中0本だった(Iqbal et al., 2016)
2015-2017年に出版された生物医学論文のうちデータの入手可能性を記載していたのは，たった18.3%(Wallach et al., 2018)
→データが無ければそもそも不可能・・・
方法の再現可能性を低める現状の課題
- 「同じデータ + 同じ方法 = 同じ結果」って，当たり前じゃないの？
→同じ方法が難しい・・・
Science誌掲載論文では，データとコードの共有していた研究が44%，そのうち再現できたのは26%(Stodden et al, 2018)
Cognition誌掲載論文では，35本中再現できたのは22本(その内11本は再現するのに著者の協力が必要, Hardwicke et al., 2018)。
→データもコードもあっても再現できない・・・
方法の再現可能性を高める方法
第３者が利用できるようにデータを共有する。機械が読みやすく人も理解しやすい形式でデータを配布する
ヒトから収集したデータを共有する場合は，データ共有に対する同意も必要になる。個人が特定できないように工夫も必要(個人情報を含んでなくても特定できることがある)
コードは第三者が読むことを考えて，その分野で馴染みのある書き方にする(Rの場合は，The tidyverse style guide https://style.tidyverse.org/)
方法の再現可能性を高める方法
- 生データ(少なくとも公開データ)から最終的な結果までが追跡できるようにコードとドキュメントを用意する(手動の作業を減らす)。
![]()
方法の再現可能性を高める方法
![]()
方法の再現可能性を高める方法
![]()
結果の再現可能性を低める現状の課題
追試をする場合に必要な情報が足りないことが多い。心理・社会的介入の臨床試験では，必要な内容がちゃんと記載されている論文は半分以下とも(Grant et al., 2013)。
認知課題も課題がそのまま提供されることは少なく，論文の少ない情報から読み解いたり，著者に確認が必要なことも
→方法が微妙に違うので再現できない？
結果の再現可能性を高める方法
臨床研究においては，研究報告ガイドラインが整備されてきており，この遵守は，結果の再現可能性を高めることが期待できる。
研究実施にかかわるマテリアルをそのまま公開することも増えている。
心理学や精神医学での実験は，実験室への入室時の対応のようなことでも結果が左右される可能性がある。言語化しにくい情報をビデオなどで共有したりする必要もあるかもしれない（国際的な大規模追試プロジェクトでは行われている）。
Open science framework
OSF:研究の事前登録，プレプリント公開，データとコードの共有，共同プロジェクトなど多岐に渡るサービスを展開
![]()
推論の再現可能性
推論の再現可能性: 結果から質的に同じ結論が得られること
統計の不適切な使用：統計的に有意な結果を得るために操作するp-hacking(第一種の過誤が高くなる)
有意な結果に基づいて事後的に仮説設定する(HARKing: Hypothesizing After the Results are Known):序論から結果-考察のストーリーが良くなるように序論(仮説)にさかのぼって調整する。
粉飾:結果は否定的であっても，その解釈を歪めたり一部の結果に焦点をあてて結論を歪める
上記の不適切な研究法は，隠蔽されるがゆえに，推論の再現性を歪める。
p-hacking
統計学的に有意な結果が好まれるので，有意なp値を求めて色々と不適切な研究実践をすること
データ収集中に，統計的仮説検定を行って，有意になるまでデータを足す（N増し）。
たくさんの実験条件やアウトカム変数があるのにもかかわらず，有意になった結果だけ報告する（選択的報告）。
解析において，共変量の調整をおこなって，有意になった結果のみを報告する。
→ p-hackingにより，本来は.05のα水準がインフレする(偽陽性率が上がってしまって，本来の意味と変わる)
HARKing
- 研究者が興味深い＆新規な仮説を立ててデータで実証するというストーリーが好まれる
→データ収集後に解析をした結果を見てから，仮説を立てるHARKingが行われる。
推論の再現可能性を高める方法
p-hackingとHARKingに対しては，データ収集前の研究仮説や方法の事前登録（臨床試験登録）が有効。
独立した第２の討論者(Independent second discussant)の追加(Avidan et al., 2019): 論文作成に関わった著者グループの考察に加えて，独立した専門家(独立した第２の討論者)が結果から考察を書いて掲載するという取り組みになる。
→英国の麻酔科の雑誌で提案されて，試みは始まっている（早速，著者(Sieber et al., 2019)と第２の討論者(Vlisides et al., 2019)で結論が異なった）。
日本での再現可能性への取り組み
Japanese Community for Open and Reproducible Science (JCORS)：透明性の高い研究を行う上での情報を提供することを目的としたオンラインプラットフォーム https://osf.io/z4cgu/
ReproducibiliTea：世界的に行われている再現可能性を学ぶ抄読会(日本ではReproducibiliTea FukuokaとReproducibiliTea Tokyoがある)
心理学評論の再現性に関する特集号：(1)「心理学の再現可能性」Vol.59 No.1 2016年, (2)「統計革命」Vol.61 No.1 2018年,(3)「心理学研究の新しいかたち」Vol62. No.3 2020年
ワーク
OSFのアカウントを作成してみよう！
関心のあるテーマに近い研究の事前登録を探して読んでみよう!
